L'Usine Digitale · 31 août 2026
TotalEnergies : des données contextualisées avant des modèles d'IA
- qualité des données
- gouvernance
- IA
- valorisation des données
Un milliard de points de mesure par jour pour les seules activités pétrolières et gazières, jusqu'à 500 000 capteurs dans une raffinerie : chez TotalEnergies, la donnée est une matière première. Dans un échange avec L'Usine Digitale, Michel Lutz, chief data officer du groupe, et Jean-Marc Lazard, président de Huwise (anciennement Opendatasoft), expliquent comment la rendre exploitable par l'IA.
Trouver et comprendre la donnée
Le groupe utilise la place de marché de données de Huwise pour partager ses données en interne. Les salariés y recherchent les données disponibles, en comprennent le contenu et les conditions d'utilisation, puis y accèdent pour leurs propres projets. L'objectif est d'éviter que l'information reste dispersée et difficile d'accès d'un métier à l'autre.
Des « data products » plutôt que des données brutes
L'idée centrale est de ne plus livrer de données brutes, mais des données accompagnées de ce qu'il faut pour les comprendre et les utiliser. L'enjeu grandit à mesure que des agents d'IA consomment ces données : faute de contexte, un modèle peut répondre avec assurance tout en se trompant sur le sens métier. Créée en 2020, la Digital Factory du groupe réunit près de 300 personnes, et TotalEnergies revendique plus de 10 000 modèles d'IA mis en production.
Gouvernance et compétences humaines
Le groupe a mis en place un dispositif technique et juridique pour identifier les modèles déployés et suivre leur fonctionnement. Les données sont classées par niveau de confidentialité, ce qui détermine les infrastructures pouvant les accueillir ; certaines restent exclues du cloud. Michel Lutz insiste aussi sur la nécessité de conserver des personnes capables de contrôler ce que produisent les modèles.
Ce que cela change pour une PME
Les volumes n'ont rien de comparable, mais la conclusion de l'article vaut pour tous : l'IA n'a pas créé les problèmes de qualité et de contexte des données, elle les rend difficiles à contourner. À l'échelle d'une PME, contextualiser une donnée revient à savoir ce que recouvre un chiffre, d'où il vient et qui en répond. L'axe « responsabilités & définitions » de l'Audit Data traite ce point, et l'axe « conformité & sécurité » celui du classement des données sensibles.